数据驱动的故障预测方法研究

随着设备复杂性和使用环境苛刻度的不断增加,关键部件的可靠性和稳定性要求与日俱增。为实现关键部件的全面监控和故障前有效干预,故障预测技术应运而生,基于数据驱动的故障预测方法具备的适用范围广、预测精度高和建模较易等优势使其成为近年来研究的热点。论述了故障预测技术的相关理论和内涵。对当前的主流——基于数据的故障预测技术进行详细介绍,并概述了国内外的最新研究成果。最后,探讨了故障预测领域亟待解决的问题和未来的发展方向。     

液压厚度控制系统的数据驱动预测控制

热连轧液压厚度控制系统是由多机架协调工作完成的,针对液压厚度控制系统的大时滞特性,结构不确定性以及外部扰动等扰动的影响,提出液压厚度控制系统的数据驱动预测控制策略。采用串级控制方式,将监控AGC系统测得的实际厚度和压力AGC系统利用弹跳方程计算得到的厚度数据反馈给控制系统,利用子空间辨识方法,直接设计数据驱动预测控制器,增强抗干扰能力,提高控制精度。仿真结果表明该方法能够提高控制精度,具有较好的控制性能。     

数据驱动的应用自适应技术综述

应用自适应是软件工程和服务计算这一交叉领域的研究热点之一,应用通过感知自身和环境的变化,动态调整自己的行为与流程,以便在环境与需求发生非确定性变化的情况下继续高效地达成服务目标.近年来随着大数据和人工智能的发展,传统的基于软件模型控制的方法已经不再适用于当今动态和复杂的应用环境.相比而言,数据驱动的方法不依赖于数学模型和专家知识,而是以概率和数理统计为基础,通过应用服务运行的反馈数据,逐步学习和理解复杂多变的环境,继而学习出自适应系统的模型.因此,数据驱动的应用自适应具有感知性、适应性、自治性和协作性等特点,适用于流程复杂的应用服务场景,如物联网、智能交通、分布式计算等.从自适应框架出发,参考了认知计算的相关特点,总结出数据驱动的智能自适应框架,并分别综述了其中的表征学习、模式识别、决策规划和规则演化这4种技术在近几年数据驱动的自适应技术中的应用,重点探索了如机器学习、深度学习和强化学习等新技术在其中所起的作用,并总结和展望了自适应技术在服务计算领域的发展趋势.     

基于数据驱动的卫星锂离子电池寿命预测方法

锂离子电池由于具有工作电压高、质量轻、比能量高、寿命长和自放电率小等优点,成为替代传统镍氢、镍镉电池的第3代航天器用储能电源;寿命预测是锂离子电池健康管理的重要方面,是掌握电源性能衰退趋势的重要手段,锂离子电池寿命预测问题已成为电子系统健康管理领域的研究热点;针对锂离子电池的寿命预测问题,采用了NASA埃姆斯中心的锂离子电池地面试验采集的数据,然后重点研究了3种基于数据驱动的方法,并对锂离子电池的寿命进行了估计,最后对各种预测方法的效果进行了评价;实验结果表明,文本提出的基于数据驱动的方法能够有效地用于锂离子电池寿命预测中,在工程应用方面具有较高的实际价值.     

基于数据驱动的小子样复杂系统剩余使用寿命预测方法综述及展望

针对小子样背景下复杂系统剩余使用寿命(RUL)预测的工程需求,结合复杂系统失效的时间数据、监测数据特点和RUL预测的不确定性问题,综述了小子样数据驱动的复杂系统RUL的预测方法。在小子样数据驱动的寿命预测技术中,数据的真实性、连续性和完整性等问题成为制约RUL预测准确度的重要因素。深入分析了基于失效时间数据、性能退化数据和多源数据融合的RUL预测技术的基本研究方法和发展动态,最后探讨了RUL预测领域未来可能的研究方向。     

数据驱动下供应链系统变更自适应预测控制

针对动态供应链系统正常运行过程中生产环节发生变更的情况,提出了一种基于数据驱动的自适应预测控制算法。首先,利用数据驱动的方法建立供应链系统的子空间预估模型,将子空间预估器参数与预测控制策略相结合,直接设计自适应预测控制器;其次,求得多级供应链系统在运作过程中发生内部节点变更状况下的库存控制策略;最后,以三节点生产—库存供应链系统为例,验证所提出的算法。在仿真部分验证了基于数据建模的准确性,分析了供应链系统在自适应预测控制的生产策略下其在内部节点发生变更前后库存水平的波动状况,仿真结果表明该方法的鲁棒性和有效性。     

风轮机桨距角的数据驱动预测控制

数据驱动预测控制方法是数据驱动和预测控制相结合而产生的一种新型控制策略.传统的模型预测控制(MPC)方法使用的预测模型一般都是近似线性系统预测模型.在具有强非线性的工业过程中,数据驱动预测控制方法对系统模型要求更低,控制效果更好.针对额定风速以上风轮机桨距角的控制问题,利用输入输出数据在线设计控制器,将数据驱动预测控制方法较好的应用于风力发电系统中,实现额定风速以上系统的恒功率控制.仿真结果表明该方法能够成功控制风轮机桨距角,达到系统恒功率输出的控制目标,同时保持转速在额定值附近.     

基于数据驱动的公共建筑用电能耗短期预测北大核心

能源日渐枯竭,大力节约能源消耗的需求越来越高,公共建筑作为节能减排战略的重点目标,准确预测其用电能耗对电力可持续发展具有一定的指导意义。采取异常滤除、遗漏补偿以及归一化等措施,完成电能数据预处理,采用主成分分析策略线性转换初始多维能耗数据至多个正交坐标系内,获得关键特征分量,利用神经元架构三层前馈神经网络,引入模糊C均值聚类算法,得到IHCMAC神经网络预测模型,修正网络权重与阈值,结合温度、湿度以及用电能耗等历史数据,组建多维输入空间,实现用电能耗短期预测。仿真阶段中,选取图书馆作为研究目标,根据十天内的能耗预测结果,检验出所提方法预测相对误差较小,能耗实际值与预测值的离散程度也较为理想,预测精度优势显著。     

基于数据驱动的云边智能协同综述

随着物联网（IoT）的快速发展,大量在传感器等边缘场景产生的数据需要传输至云节点处理,这带来了极大的传输成本和处理时延,而云边协同为这些问题提供了有效的解决方案。首先,在全面调查和分析云边协同发展过程的基础上,结合当前云边智能协同中的研究思路与进展,重点分析和讨论了云边架构中的数据采集与分析、计算迁移技术以及基于模型的智能优化技术;其次,分别从边缘端和云端深入分析了各种技术在云边智能协同中的作用及应用,并探讨了云边智能协同技术在现实中的应用场景;最后,指出了云边智能协同目前存在的挑战及未来的发展方向。     

基于数据驱动的热处理工艺仿真准确预测技术研究

在现代装备制造业中,热处理不仅是改善和控制材料性能,提高产品使用寿命、可靠性和安全性的关键工艺,也是实现装备轻量化的重要途径。热处理工艺过程存在着热处理工艺参数众多及其相互影响的问题,使得温度、组织和应力难以耦合精确求解;同时,热处理工艺参数的确定依赖经验且影响机理难以表征。因此,本文提出一种基于数据驱动的仿真预测建模方法,通过构建决策树回归模型并结合基于信息熵的分类学习算法,实现热处理工艺仿真质量的准确预测。最后,通过对35CrMnSi和58SiMn两种材料的仿真数据案例分析,验证了本文所提建模方法的有效性和准确性。     

改进的数据驱动子空间算法求解钢铁企业能源预测问题

本文以钢铁企业生产与能源系统作为研究背景,设计一种数据驱动的子空间方法(data-driven subspace,DDS)预测各生产工序的能源消耗.针对钢铁生产中能源消耗和回收的特点进行了分析,以提取子空间方法的建模因素;为了设计有效的求解方法,对实际生产和数据的特征进行了分析.为了提高预测准确率,文中引入了反馈因子和遗忘因子来改进子空间方法,因子的取值采用粒子群算法(particle swarm optimization,PSO)来优化.对实际生产数据的测试验证了本文所提出的方法的有效性,该结果能够为钢铁企业的能源预测和管理提供有效的决策支持.     

虚拟未建模动态补偿与数据驱动的非线性广义预测控制

针对一类离散时间非线性动态系统,把常规广义预测控制与数据驱动控制相结合、反馈控制与前馈补偿相结合、信号补偿与调节器原理相结合,提出了一种数据与虚拟未建模动态及其增量补偿的非线性广义预测控制方法.推导了闭环系统的输入输出动态方程,并分析了所提控制算法的性能.对比实验的研究体现出本文所提控制算法的优越性和有效性.     

数据驱动的可靠性评估与寿命预测研究进展:基于协变量的方法

作为保障工业过程可靠性和经济性的重要技术,可靠性评估与寿命预测在过去几十年得到了越来越广泛的关注和长足的发展.在实际应用中,由于难以获取复杂、高可靠性设备失效机理的物理模型,数据驱动的可靠性评估与寿命预测方法成为近年来的主流.同时,自动监测技术和传感器技术的快速发展,使得在工程实践中不仅能够获取系统的退化数据,还能得到大量的系统运行环境监测数据,从而使得数据驱动寿命预测中基于协变量的方法得到了广泛应用.本文根据系统运行环境中协变量数据的不同变化规律,将基于协变量方法的可靠性评估模型分为：固定协变量模型、时变协变量模型和随机协变量模型,并分别讨论了各模型的发展现状.最后,讨论了协变量处理中存在的一些挑战及未来的研究方向.     

基于即时学习的高炉炼铁过程数据驱动自适应预测控制

针对高炉炼铁过程,本文提出一种基于即时学习的高炉铁水质量自适应预测控制方法(JITL–APC).该方法的特点是控制器通过k向量近邻(k–VNN)方法搜索数据库中的输入输出(I/O)数据信息,对非线性系统进行局部建模,并在此基础上计算控制律.而且,该方法中引入了工业异常数据处理机制,利用JITL学习子集中的平均数据项,对异常数据项进行填补或替换,从而消除异常数据对控制系统的影响.此外,本文提出一种JITL模型保留策略(MRS),避免由于数据库中相似数据样本不足导致的局部模型严重失配,并通过实时收集I/O数据更新数据库,使控制器自适应不同的工况条件, MRS还可以有效抑制噪声干扰的影响,从而提高控制系统的稳定性.最后,基于某大型钢铁厂2#高炉的数值仿真实验,充分验证了该方法的有效性.     

基于数据驱动的风力发电系统一步超前预测转速控制

针对风力发电系统转速控制系统的特点,提出了一种基于数据驱动的一步超前预测控制方法。该方法先利用动态线性化技术,采用投影算法在线估计伪偏导数,然后通过最小化一步超前加权性能指标获得广义最小方差预测控制算法;为了取得更好的跟踪效果,引入一个自适应项用于增强输出跟踪能力,使得系统输出响应具有更强的跟踪能力。仿真结果验证了该方法的有效性。     

基于数据驱动的故障诊断方法综述

首先介绍了基于数据驱动的故障诊断方法研究动机和国内外发艘现状.以新的视角将现有故障诊断方法分为基十数据驱动的方法、基十分析模型的方法和基于定性经验的人工智能方法.说明了该方法在整个体系中的地位.并从数据利用及其与基十分析模型的方法比较等方面探讨了该方法的应用背景;然后综述了按照新分类中基于数据驱动故障诊断的现有方法,分...     

数据驱动的多星任务网络预测调度算法

多星任务调度是具有NP-hard特性的优化问题,随着卫星资源规模和任务需求规模的双重增长,传统调度方法求解效率不高.在轨卫星在常年运行过程中积累了丰富的调度数据.针对大规模多星任务调度场景,建立多星多波束任务调度模型,并提出数据驱动的多星任务网络预测调度算法对其求解.以分割的思想,实现多星场景下任务可调度性预测.从历史调度数据中,提取设定的3个静态特征和5个动态特征,构建并训练预测网络,预测任务被不同卫星完成的概率,并以冲突避免、负载均衡等为原则,得到初始任务和资源卫星的分配方案.进一步设计双链结构的进化算法,以双链编码形式表征上述关系,配合设计的交叉、修复等进化算子,优化初始方案中的任务序列与资源分配关系,输出最终任务调度方案.仿真结果表明,与改进蚁群算法、混合遗传算法和数据驱动并行调度算法相比,所提出算法在运行时间、方案收益和卫星负载均衡3方面均有较好的表现.     

基于数据驱动的气动柔性关节Takagi–Sugeno模糊系统建模与预测控制

针对气动柔性关节动态特性复杂、难以实现高精度控制的问题,提出一种基于Takagi–Sugeno (T–S)模糊系统的预测控制方法.首先,应用MBGD–RDA算法对T–S模糊系统进行离线训练,该算法结合了机器学习中的小批量梯度下降算法、正则化、Droprule和AdaBound算法.其次,基于模糊集相似性度量方法,对训练得到的T–S模糊系统的模糊集进行剪枝,对模糊规则进行合并,简化T–S模糊系统结构.最后,设计了基于T–S模糊系统的单层神经网络预测控制器. T–S模糊系统参数和预测控制器参数均能实现在线更新,且基于李雅普诺夫理论的稳定性分析保证了系统的稳定性.仿真结果验证了基于数据驱动的T–S模糊系统的高精度预测性能,且结构简化后的T–S模糊系统在规则数减少的情况下仍能维持较高的预测精度.实际实验中,所提控制方法最大跟踪误差小于3°,而传统的模糊逻辑控制器最大跟踪误差大于5°,这表明所提控制算法显著提升了对柔性关节的跟踪控制精度.     

基于数据驱动的微小故障诊断方法综述

能否及时诊断出微小故障是保障系统安全运行并抑制故障恶化的关键,本文针对微小故障幅值低、易被系统扰动和噪声掩盖等特点,从数据驱动的角度对现有研究进行综述.并将其分为三大类: 基于统计分析的微小故障诊断技术、基于信号处理的微小故障诊断技术和基于人工智能的微小故障诊断技术,进而对不同方法的基本研究思想、研究进展、应用以及局限性予以介绍.最后不仅指出复杂系统微小故障诊断研究中的现存问题,而且从增加新的信息、挖掘未利用的隐含信息和采用新的数学工具三个角度进行展望,提出基于关联性分析、基于多源信息融合、基于机器学习和基于时频分析四个值得探究的微小故障诊断思想.